特徵縮放
特徵縮放是用來統一資料中的自變項或特徵範圍的方法，在資料處理中，通常會被使用在資料前處理這個步驟。
動機
因為在原始的資料中，各變數的範圍大不相同。對於某些機器學習的演算法，若沒有做過標準化，目標函數會無法適當的運作。舉例來說，多數的分類器利用兩點間的距離計算兩點的差異，若其中一 個特徵具有非常廣的範圍，那兩點間的差異就會被該特徵左右，因此，所有的特徵都該被標準化，這樣才能大略的使各特徵依比例影響距離。
另外一個做特徵縮放的理由是他能使加速梯度下降法的收斂。
方法
重新縮放
最簡單的方式是重新縮放特徵的範圍到[0, 1]或[-1, 1]， 依據原始的資料選擇目標範圍，通式如下：
是原始的值，是被標準化後的值。例如，假設我們有學生的體重資料，範圍落在[160磅, 200磅]，為了重新縮放這個資料，我們會先將每個學生的體重減掉160，接着除與40(最大體重與最小體重的差值)
標準化
在機器學習中，我們可能要處理不同種類的資料，例如，音訊和圖片上的像素值，這些資料可能是高維度的，資料標準化後會使每個特徵中的數值平均變為0(將每個特徵的值都減掉原始資料中該特徵的平均)、標準差變為1，這個方法被廣泛的使用在許多機器學習演算法中(例如：支持向量機、邏輯斯諦迴歸和類神經網絡)。
縮放至單位長度
該方法也在機器學習中常用。縮放特徵向量的分量，將每個分量除以向量的歐幾里得距離，使整個向量的長度為1。
應用
在隨機梯度下降法中， 特徵縮放有時能加速其收斂速度。而在支持向量機中，他可以使其花費更少時間找到支持向量，特徵縮放會改變支持向量機的結果。
參考
- S. Aksoy and R. Haralick, 「Feature normalization and likelihood-based similarity measures for image retrieval,」 Pattern Recognit. Lett., Special Issue on Image and Video Retrieval, 2000 http://www.cs.bilkent.edu.tr/~saksoy/papers/prletters01_likelihood.pdf （頁面存檔備份，存於互聯網檔案館）
- S. Tsakalidis, V. Doumpiotis & W. Byrne, 「Discriminative Linear Transforms for Feature Normalization and Speaker Adaptation in HMM Estimation」, Proc. ICSLP'02, Denver. http://malach.umiacs.umd.edu/pubs/VD_05_Discrim_linear.pdf （頁面存檔備份，存於互聯網檔案館）
- Liefeng Bo, Ling Wang, and Licheng Jiao, 「Feature Scaling for Kernel Fisher Discriminant Analysis Using Leave-one-out Cross Validation」, Neural Computation (NECO), vol. 18(4), pp. 961–978, 2006 http://www.cs.washington.edu/homes/lfb/paper/nc06.pdf （頁面存檔備份，存於互聯網檔案館）
- A. Stolcke, S. Kajarekar, and L. Ferrer, 「Nonparametric feature normalization for SVM-based speaker verification,」 in Proc. ICASSP, Las Vegas, Apr. 2008. http://ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber=4517925
- E. Youn, M. K. Jeong, 「Class dependent feature scaling method using naive Bayes classifier for text datamining」 Pattern Recognition Letters, 2009. http://www.sciencedirect.com/science/article/pii/S0167865508003553 （頁面存檔備份，存於互聯網檔案館）
- S. Theodoridis, K. Koutroumbas. (2008) 「Pattern Recognition」, Academic Press, 4 edition, ISBN 978-1-59749-272-0